Наведено оцінку зверху похибки байєсівської процедури розв'язання задач розпізнавання залежно від об'єму навчальної вибірки. Доведено субоптимальність байєсівського підходу, знайдено складність класу задач.

Розглянуто концепції побудови байєсівських процедур виведення в задачах діагностики для різних випадків невизначеності: точкового, інтервального та розмитого способів зображення інформації.

Приведена приближенная формула для определения достаточного объема обучающей выборки. Полученные результаты позволяют с помощью машинного моделирования определить объем обучающей выборки, достаточный для распознавания с заданной надежностью. Сравнение с аналогичными рекомендациями, полученными в рамках статистической теории обучения, показало, что рекомендации Байесовского подхода во многих случаях дают меньшие объемы выборки, чем требуется. Рассмотрен случай, когда дополнительно известны априорные вероятности каждого образа.

На основе стохастической геометрии и конструктивной теории признаков предложены практические методы генерации большого числа признаков распознавания изображений. Рассмотренное Trace-преобразование, реализуемое при сканировании, является удобным инструментом при изучении движения объектов и их линейных деформаций.

Наведено огляд результатів відносно байєсівських процедур розпізнавання, які виявляються оптимальними на таких структурах об'єктів як ланцюги Маркова та незележні ознаки. Обговорено результати числових розрахунків передбачення вторинної структури білків на базі байєсівських процедур розпізнавання на нестаціонарних ланцюгах Маркова. Наведено комплементарні закономірності щодо запису основ у одному ланцюзі ДНК.

Изложена методика оценки вероятности правильного распознавания по правилу Байеса при неточно известной плотности распределения. Выведено выражение для оценки ошибки, учитывающей неточность задания плотности распределения. Приведены варианты оценивания вероятности правильного распознавания для разных объемов выборки.

Разработан алгоритм распознавания реализации случайной последовательности, базирующийся на полиномиальном каноническом разложении. Получено решение проще общего байесовского подхода путем перехода от многомерных плотностей распределения к произведению одномерных плотностей.

  Скачати повний текст

Описано поліноміальні алгоритми визначення структури байєсівської мережі у вигляді дерева або лісу. Для відомої структури байєсівської мережі розглянуто байєсівські процедури розпізнавання, які побудовано на навчаючих вибірках за допомогою оцінок перехідних ймовірностей.

Запропоновано один із способів створення моделі просторового звукового образу для оцінки акустичних властивостей діючих та проектних концертних зал. Розглянуто методи моделювання та вибрано метод комп'ютерної симуляції їх акустичного середовища. Для створення моделі обрано діючу концертну залу. Підібрано комп'ютерне програмне забезпечення, за допомогою якого моделюються акустичні властивості концертної зали, та створюється модель звучання музичного матеріалу в даному просторі. Для комп'ютерної симуляції описано умови створення аудіо файлу. Запропоновано метод суб'єктивної оцінки звучання музичного матеріалу за допомогою вагомих критеріїв встановленого зразка для естетичної оцінки результатів моделювання. Результати симуляції порівняно із звучанням музичного матеріалу в діючій концертній залі. Описано геометричні та акустичні умови прослуховування створених аудіо файлів експертними групами. На основі отриманих результатів сформульовано труднощі, які виникають під час комп'ютерної симуляції акустичного середовища та запропоновано моделювання як перспективний напрямок в дослідженні акустики діючих та проектних концертних зал. Намічені подальші напрями досліджень.